ProstaNet：基于几何向量感知器-图神经网络的蛋白质稳定性预测新算法及其在单点与多点突变中的实验验证

编辑推荐：针对蛋白质突变稳定性预测的难题，研究团队开发了基于GVP-GNN的深度学习框架ProstaNet，构建高质量数据库ProstaDB并创新性应用热力学循环(TL)数据增强技术。该模型在单点突变预测中准确率达0.75，超越FoldX(0.71)等现有工具，对多点突变预测精度提升1.3倍，实验验证显示对HuJ3突变体预测准确率高达80-100%，为蛋白质工程和药物开发提供强大工具。

　　

蛋白质是生命活动的核心执行者，其稳定性直接影响药物疗效和疾病发生。然而，传统实验方法耗时耗力，现有计算工具在多点突变预测和特征表征方面存在明显局限——数据库质量参差不齐、模型易受训练偏差影响、缺乏有效的三维结构特征整合方法。针对这些挑战，研究人员开发了创新性深度学习框架ProstaNet，相关成果发表于《Research》。

研究团队首先构建了高质量数据库ProstaDB，包含3,784个单点和1,642个多点突变数据，并创新性提出热力学循环(TL)数据增强技术，将多点突变数据扩展至7,360个。通过几何向量感知器-图神经网络(GVP-GNN)架构，模型能同时处理标量(如残基距离)和矢量(如氨基酸取向)特征。采用7种先进氨基酸编码方法，发现残基评分(residue scoring)是最关键的特征表征方式。

关键技术包括：1)使用Rosetta Fast Relax生成突变体三维结构；2)基于t-SNE和DBSCAN的突变类型聚类方法构建测试集；3)采用二进制交叉熵损失函数和5折交叉验证；4)通过AlphaFold2预测HuJ3纳米抗体结构；5)圆二色谱(CD)验证热稳定性。

"ProstaNet架构概述"部分显示，模型将野生型和突变体蛋白转化为包含节点标量特征(S_ν)、节点矢量特征(V_ν)的结构图，通过GVP-GNN层提取特征后，经多头注意力机制捕获差异，最终输出稳定性分类结果(1为稳定，0为不稳定)。

"ProstaDB数据库"章节详细介绍了数据清洗流程：通过PSI-BLAST去除同源序列(e值<0.001)，应用TL技术实现数据扩增。特别值得注意的是，通过热力学可逆性(TR)原则生成反向突变数据，使单点突变数据增至7,768个，有效平衡了数据集。

"训练策略影响"的研究结果表明：先用单点突变数据预训练、再用多点突变数据微调的策略最优，准确率比反向训练顺序高15%。TL数据增强使多点突变预测准确率提升8%，而创新的聚类方法确保测试集与训练集突变类型分布一致，显著提高模型泛化能力。

"氨基酸编码方法贡献度"分析揭示：残基评分编码的缺失会使模型性能下降23%，进化特征(PSSM)对多点突变预测至关重要。有趣的是，蛋白质语言模型ProtBert在小数据集上易过拟合，验证了低维明确特征更适合有限数据场景。

与现有工具对比显示，ProstaNet在S^sym测试集上准确率(0.75)显著优于ThermoMPNN(0.63)和FoldX(0.71)，且无预测偏差。对HuJ3纳米抗体的实验验证中，5个单点突变预测准确4个(包括关键位点S105P)，4个多点突变预测全部准确，证实了模型的可靠性。

讨论部分指出当前局限：1)训练数据仍不足且测试条件不一致；2)依赖AlphaFold2预测结构可能引入误差；3)Rosetta Fast Relax对构象大变化的突变模拟不足。未来计划整合ΔΔG值预测功能，并建立包含晶体和预测结构的混合数据库。

该研究通过创新性融合几何深度学习与特征工程，突破了蛋白质稳定性预测的多个技术瓶颈。特别在多点突变预测方面的突破，为复杂蛋白质改造提供了新工具，对抗体药物优化和遗传病治疗具有重要应用价值。实验验证的高准确率也预示着该方法向临床转化的潜力。